夜谈(@gntalktalk):最新的论文《AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement》制定了目前少见的、专门隔离 RSI 所需算法设计能力而非简单调参能力的测试基准基准包含10个冻结的真实研究代码库，覆盖监督微调、agentic RL、蒸馏、偏好优化、扩散RL、模型剪枝等10类算法。论文中的Agent 获得4小时和一张B300修改训练算法，随后其代码在干净环境中重新运行最长12小时，并由隐藏评估器评分。 29种配置的平均归一化分数为0.166，最佳系统0.250；真正触及学习过程的修改平均0.226，其他修改仅0.126。

2026.08.22 02:00

最新的论文《AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement》制定了目前少见的、专门隔离 RSI 所需算法设计能力而非简单调参能力的测试基准基准包含10个冻结的真实研究代码库，覆盖监督微调、agentic RL、蒸馏、偏好优化、扩散RL、模型剪枝等10类算法。论文中的Agent 获得4小时和一张B300修改训练算法，随后其代码在干净环境中重新运行最长12小时，并由隐藏评估器评分。 29种配置的平均归一化分数为0.166，最佳系统0.250；真正触及学习过程的修改平均0.226，其他修改仅0.126。